基于替代检验的部分相位同步指数的脑电信号分析

目的针对脑电数据的部分相位同步指数(partial phase synchronization index,PPSI)对数据长度的敏感性而引起计算PPSI时的不准确性等问题,本文提出基于替代检验算法以分析PPSI,进而找到计算PPSI时最优的数据长度。方法基于4种常见的替代数据生成法对10组脑电数据分别生成替代数据,并分析其显著性阈值与原始数据的PPSI的相关系数,选出最合适的替代数据生成法,然后基于选出的替代数据生成法分析脑电数据在多个长度下PPSI的显著性。结果结果显示RSS(rankshuffled surrogate)算法得出的阈值与原始脑电信号的PPSI的相关系数最小,在3~18个周期长度下数据的阈值显著性在一个合理范围内。结论基于RSS算法更适合于脑电信号的PPSI的分析,并且发现3~18个周期长度下的脑电数据更适合分析PPSI。     

基于自回归模型和相位斜率指数的动态脑连接分析

随着脑网络理论的发展,人们越来越关注不同脑区域之间的功能性和效应性连接。在常见的脑活动无创检测方法中,脑电图（EEG）具有较高的时间分辨率,适于进行效应性连接分析。提出一种估计不同通道的EEG信号间的效应性连接的方法,即自回归相位斜率指数（AR-PSI）。该方法结合多元自回归（MVAR）模型对短时数据进行谱估计频率分辨率高的特点和相位斜率指数(PSI)对源信号混叠不敏感的特点。与传统的格兰杰因果模型相比,它可以有效地摒除由于容积导体效应造成的信号混叠所带来的干扰;与传统的PSI相比,它在短时数据上能够更准确地估计不同通道间EEG信号的效应性连接。首先,分别生成具有强效应性连接和相互独立的混叠噪声这两组信号进行模拟实验,结果表明AR-PSI方法确实能够更有效地检测出信号中存在的效应连接,排除信号线性混叠可能引起的误检。然后,应用此方法并结合滑动窗技术,对Stroop实验记录到的EEG数据进行网络连接的动态分析,发现250～500 ms和550～800 ms时间段内脑网络连接密度在两种条件下存在显著性差异。分析结果,显示语义和颜色不一致条件的刺激能够引起脑网络连接密度更迅速地增加,且连接跨度更大。     

基于Hurst指数和SVM的癫痫脑电检测方法

癫痫脑电波的自动检测对于患者诊断和减轻医生工作强度都具有重要的意义。提出一种基于Hurst指数和SVM的癫痫脑电检测算法。首先提取脑电信号的Hurst指数,然后对脑电进行3 Hz～8.5 Hz、8.5 Hz～16.5 Hz、16.5 Hz～29 Hz带通滤波并分别计算波幅的相对均值,最后使用SVM分类器实现癫痫脑电波的自动检测。对临床脑电信号的实验表明,该方法具有较强的检测性能和良好的实时性,准确率达到98.75%。所提出的Hurst指数和波幅相对均值作为特征,采用SVM的分类方法能有效实现癫痫脑电的检测,值得更深入的研究。     

基于回声状态网络的脑电信号特征提取

在脑电(EEG)信号自动检测和分类的研究中,EEG信号的特征提取至关重要。本文分析了目前主要EEG信号特征提取方法的优缺点,并提出了一种基于回声状态网络(ESN)的EEG信号特征提取方法。该方法可以实现EEG信号的非线性特征提取,并且其特征提取过程是近似可逆的,因而在特征提取过程中损失的信息较少。该方法在EEG信号特征提取过程中,主要计算量是求解状态矩阵的伪逆,计算简单高效。在对波恩大学癫痫研究所的EEG数据库进行多类别分类的实验中,本文所提出的EEG信号特征提取方法展现出了良好的性能。     

基于脑电信号的脑-计算机接口

0 引言 脑-计算机接口(brain-computer interface, BCI)是在人脑与计算机或其它电子设备之间建立的直接的交流和控制通道,通过这种通道,人就可以直接通过脑来表达想法或操纵设备,而不需要语言或动作[1].     

癫痫发作脑电信号的相位幅度调制研究

脑电图是癫痫诊治中一种最为重要的工具,而大数据量的脑电记录给人工分析带来困难,计算机分类则可减轻此负担。从相位幅度调制角度研究癫痫脑电低频节律相位与高频节律幅度间的耦合关系,利用归一化后的调制指数(MI)来量化各频段间的耦合强度。基于波恩癫痫发作间期和发作期脑电的200个样本数据集,提出依据高低频节律范围对MI图进行分区,再利用分区后的耦合系数对不同状态下的脑电进行分类。结果显示,发作期Gamma节律与Delta(2～4 Hz)节律的MI值(0.009 9±0.009 6)相比发作间期(0.003 6±0.008 7)显著增加(P<0.01)。Gamma节律与Theta(4～8 Hz)节律的发作期MI值(0.008 7±0.006 2)相比发作间期(0.001 4±0.003 2)也有显著增加(P<0.01);Theta Beta节律间耦合强度在发作期(0.002 2±0.001 3)与发作间期(0.000 5±0.000 7)也存在显著差异。利用支持向量机在五折交叉验证下,波恩癫痫脑电数据MI特征对发作期和间期数据分类准确率达到97%;采用随机森林分类方法,同样得到一致结果。所提出方法的应用可有效提高对临床视频脑电图分析的效率。     

癫痫脑电信号的奇异性研究

基于小波变换模极大值在多尺度上的变化,研究了癫痫脑电的奇异性,并用Lipschitz指数来表征.提出了一种高阶统计的方法来研究癫痫脑电的高阶奇异谱特征,并和健康脑电进行比较.实验结果表明,癫痫脑电的Lipschitz指数和高阶奇异谱与健康脑电相比存在明显的差异,说明该方法对研究脑电是有效的.     

基于脑电信号的睡眠分期算法研究

睡眠质量与人类健康息息相关,准确的睡眠质量监测对于帮助人们改善睡眠质量能够起到有效的监督作用。以MIT-BIH多导睡眠数据库slp01、slp02和slp04等3个样本的脑电信号为分析对象,采用sym7小波对其进行7层分解以去除高频细节信号,得到较为纯净的脑电信号。然后通过非线性符号动力学分析,去趋势波动分析以及频谱分析,分别提取符号熵指数,去趋势波动指数以及δ频带能量比等3个参数,对每个样本采用Kennard-Stone方法按照4〖DK〗∶1的比例建立校正集样本和预测集样本,并结合最小二乘支持向量机分类器进行样本训练拟合与分类识别。结果表明,3个特征参数与睡眠状态具有高度相关性,相关系数绝对值均高于0.83,并且确定了符号熵参数的嵌入维数为4,延迟常数为1,去趋势波动指数的分段区间为30～500,平均的睡眠分期正确率可达92.87%,比基于复杂度、近似熵等算法的分类正确率提高约5%。     

基于残差注意力神经网络模型的癫痫脑电信号分类

目的 针对癫痫脑电信号特征提取过程复杂、信息提取不充分及分类精度较低等问题,本文提出一种基于残差注意力神经网络模型（residual attention module neural network,RAM-Net）用于实现癫痫脑电信号的自动分类。方法 首先对脑电信号进行去噪和分段处理,使网络更有效提取细节特征;然后根据脑电信号在时频域幅值特点,将信号转换为二维时频图像作为模型输入;最后借鉴残差网络思想,在每个残差块中融合注意力机制,构建分类模型,在临床数据集上做验证。结果 该方法分类准确率为97.16%,精确率为97.00%,可实现癫痫发作、间期和正常状态的脑电信号三分类。结论 基于RAMNet的癫痫脑电信号分类方法将脑电信号转化为二维图像,降低了方法复杂度;融合注意力机制增强了网络的有效信息提取能力,可为癫痫临床辅助诊断提供一种新的分析思路和处理方法。     

视听刺激脑电信号的相位同步分析

脑电(EEG)同步被认为是脑功能区域整合的表现。高级脑功能需要具有特定功能的多区域神经系统间进行不同层次的整合和协调来完成。本文提出了一种新的相位同步分析方法—互近似熵。采用分段频率,用同步指数、互信息熵与互近似熵方法对视听刺激EEG导联数据进行了相位同步的比较分析,三种分析得到了一致的结果,说明互近似熵方法也能很好反映出两导联的相位同步。文章同时通过相位同步分析结果进行了大脑反应区域的探索分析。此研究为脑机接口的设计奠定了基础。     

基于EEG模糊相似性的癫痫发作预测

本研究提出基于EEG序列模糊相似性指数方法预测癫痫发作.首先,结合复自相关法和Cao法对EEG序列进行了相空间重构;然后,计算相关积分时用Gaussian函数代替Heavyside函数,克服了Heavyside函数的刚性边界问题,使得计算相似性指数更加准确和可靠;最后,分析大鼠癫痫EEG信号,检测癫痫发作前期状态.分析结果表明模糊相似性指数方法能够比动态相似性指数方法获得更长的预测时间和更低的错误预测率.     

A chaos-based visual encryption mechanism for clinical EEG signals

In this study, we have developed a chaos-based visual encryption mechanism that can be applied for clinical electroencephalography (EEG) signals. In comparison with other types of random sequences, chaos sequences were mainly used to increase unpredictability. We used a 1D chaotic scrambler and a permutation scheme to achieve EEG visual encryption. One approach of realizing the visual encryption mechanism is to scramble the signal values of the input EEG signal by multiplying a 1D chaotic signal to randomize the EEG signal values. We then applied a chaotic address scanning order encryption to the randomized reference values. Simulation results show that when the correct deciphering parameters are entered, the signal is completely recovered, and the percent root-mean-square difference (PRD) values for control and alcoholic clinical EEG signals are 4.33 × 10⁻¹⁵ and 4.11 × 10⁻¹⁵%, respectively. As long as there is an input parameter error, with an initial point error of 0.00000001% as an example, thereby making these clinical EEG signals unrecoverable.     

Epileptic seizure detection using EEG signals and extreme gradient boosting

The problem of automated seizure detection is treated using clinical electroencephalograms (EEG) and machine learning algorithms on the Temple University Hospital EEG Seizure Corpus (TUSZ). Performances on this complex data set are still not encountering expectations. The purpose of this work is to determine to what extent the use of larger amount of data can help to improve the performances. Two methods are explored: a standard partitioning on a recent and larger version of the TUSZ, and a leave-one-out approach used to increase the amount of data for the training set. XGBoost, a fast implementation of the gradient boosting classifier, is the ideal algorithm for these tasks. The performances obtained are in the range of what is reported until now in the literature with deep learning models. We give interpretation to our results by identifying the most relevant features and analyzing performances by seizure types. We show that generalized seizures tend to be far better predicted than focal ones. We also notice that some EEG channels and features are more important than others to distinguish seizure from background.     

Statistics over features: EEG signals analysis

This paper presented the usage of statistics over the set of the features representing the electroencephalogram (EEG) signals. Since classification is more accurate when the pattern is simplified through representation by important features, feature extraction and selection play an important role in classifying systems such as neural networks. Multilayer perceptron neural network (MLPNN) architectures were formulated and used as basis for detection of electroencephalographic changes. Three types of EEG signals (EEG signals recorded from healthy volunteers with eyes open, epilepsy patients in the epileptogenic zone during a seizure-free interval, and epilepsy patients during epileptic seizures) were classified. The selected Lyapunov exponents, wavelet coefficients and the power levels of power spectral density (PSD) values obtained by eigenvector methods of the EEG signals were used as inputs of the MLPNN trained with Levenberg-Marquardt algorithm. The classification results confirmed that the proposed MLPNN has potential in detecting the electroencephalographic changes.     

癫痫发作时的脑电图研究

脑电图已成为癫痫诊断中不可缺少的手段,特别是发作时的脑电图为癫痫诊断的基本要素,本文对22例癫痫发作时的脑电图进行了研究,分析了发作时的癫痫放电及发作前后的波形演变,对癫痫的分类及治疗有着重要的意义。     

EMD和SVM结合的脑电信号分类方法

脑电(EEG)癫痫波的自动检测与分类在临床医学上具有重要意义。针对EEG信号的非平稳特点,本文提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的EEG分类方法。首先利用EMD将EEG信号分成多个经验模式分量,然后提取有效特征,最后用SVM对EEG信号进行分类。结果表明,该方法对癫痫发作间歇期和发作期EEG的分类效果比较理想,识别率达到99%。     

Analysis of EEG signals by combining eigenvector methods and multiclass support vector machines

A new approach based on the implementation of multiclass support vector machine (SVM) with the error correcting output codes (ECOC) is presented for classification of electroencephalogram (EEG) signals. In practical applications of pattern recognition, there are often diverse features extracted from raw data which needs recognizing. Decision making was performed in two stages: feature extraction by eigenvector methods and classification using the classifiers trained on the extracted features. The aim of the study is classification of the EEG signals by the combination of eigenvector methods and multiclass SVM. The purpose is to determine an optimum classification scheme for this problem and also to infer clues about the extracted features. The present research demonstrated that the eigenvector methods are the features which well represent the EEG signals and the multiclass SVM trained on these features achieved high classification accuracies.